复杂多关节机械臂建模及逆运动学比较分析

针对含多种关节类型的复杂机械臂的建模问题, 在 D鄄H 参数法中引入虚拟关节建立运动学模型。 考虑机械臂逆运动学存在多解、 精度和实时性的问题, 通过4 种不同的 PSO(Particle Swarm Optimization)优化算法: 线性递减权重的粒子群(LPSO: Linear Decreasing Weight Particle Swarm Optimization)、 基于杂交的粒子群优化(CBPSO: Crossbreed Particle Swarm Optimization)、 基于模拟退火的粒子群(SAPSO: Simulated Annealing Particle Swarm Optimization)和混沌粒子群优化(CPSO: Choas Particle Swarm Optimization)进行计算。 随机选取工作空间的位置点, 验证优化算法能有效计算机械臂逆运动学解, 并对执行时间、 位置误差等方面进行了比较分析。 实验结果表明, 改进的 CBPSO 算法能有效计算复杂多关节机械臂的逆运动学解, 同时满足实际作业中对实时控制的要求。     

蚁群算法在威布尔分布模型参数估计中的应用

针对威布尔分布模型参数的极大似然估计采用牛顿迭代法计算过程烦琐,粒子群算法求解过程中容易陷入早熟等问题,将蚁群算法引入到威布尔分布模型的参数估计中,提出了基于蚁群算法的威布尔分布模型参数估计,并与牛顿迭代法和粒子群算法进行对比,通过实例验证了该方法的可行性与有效性。     

改进型粒子群优化算法的BP神经网络全息图压缩

针对拥有庞大数据量的全息图再现像质量不理想的问题, 提出一种针对粒子群优化算法(PSO: Particle Swarm Optimization)中学习因子和惯性权值进行动态调整的方法, 将改进后的算法与反向传播(BP: Back Propagation)神经网络相融合形成改进型粒子群优化BP 神经网络(MPSO-BP: Modified Particle Swarm Optimizing
BP Neural Network)并用于全息图压缩。通过与BP 神经网络和粒子群优化BP 神经网络(PSO-BP: Particle Swarm Optimizing BP Neural Network)压缩算法进行对比, 证明了该网络压缩算法在保持较好的压缩效率时得到的全息图再现像质量更好。     

离散二进制粒子群算法分析

粒子群算法（Particle Swarm Optimization,PSO）主要用优化计算实值的连续性问题,而离散二进制粒子群算法（Binary Particle Swarm Optimization,BPSO）则用来优化离散空间问题,它扩展了PSO算法的应用,现已广泛应用到各种离散优化问题计算中,但目前对BPSO算法...     

基于灰色PSO-ANFIS模型的船舶横摇运动预报分析

为了准确高效的预测船舶在波浪中的航行状态以保证人员、货物和船舶的安全,提出了一种基于灰色模型粒子群优化算法的自适应神经模糊推理系统(Grey Particle Swarm Optimization-Adaptive Neural-fuzzy Inference System, GPSO -ANFIS)。GPSO-ANFIS预测模型使用模糊C均值聚类算法对输入样本进行聚类分析,得到模糊规则数量并建立神经模糊推理系统,再使用粒子群优化算法对建立的预测系统进行优化训练,从而得到最优的预测系统模型。其中灰色模型用于横摇数据的预处理,以便削弱横摇状态中的非线性影响因素。最后通过实船“育鲲”轮的横摇数据进行仿真实验,实验结果验证了GPSO-ANFIS模型的实用性和可行性,具有较高的预测精度。并为船舶航行智能化提供了一种有价值的理论依据。     

基于直觉模糊熵的粒子群模拟退火算法

针对智能算法在解决大规模0-1背包问题时易陷入局部最优解、收敛速度慢的问题,提出一种基于直觉模糊熵的粒子群-模拟退火算法(IFEPSO-SA)。采用交换操作和模拟退火机制对粒子群算法中的局部最优解二次优化;然后,以种群直觉模糊熵(IFE)为测度,自适应改变惯性权重,并对种群进行变异操作。测试结果表明,IFEPSO-SA在解决大规模0-1背包问题时有较好的求解质量;仿真实验结果表明,IFEPSO-SA与基于直接模糊熵的粒子群算法(IFEPSO)相比,熵值波动较小,反映出IFEPSO-SA有更好的局部搜索能力,并且IFEPSO-SA在算法收敛速度和求解质量方面都优于IFEPSO以及经典的粒子群算法和模拟退火算法。     

基于模糊聚类的粒子群优化算法

粒子群优化算法(PSO)的基础上,提出了基于模糊C-均值聚类(FCM)算法的粒子群优化算法.该算法在每次迭代过程中首先通过FCM算法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和子群中的最优粒子更新自己的速度和位置值.通过典型复杂函数测试表明,基于模糊C-均值(FCM)的粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法.     

基于EM算法的不完全疲劳寿命数据可靠性分析

针对随机截尾寿命数据模型的参数估计,提出基于EM算法的通用算法,并以疲劳寿命计算中所常用的二参数威布尔分布模型为例,给出基于EM算法的寿命数据拟合通用方法。另外对于服从复杂分布模型的数据,则采用与蒙特卡洛法相结合的EM算法。最后通过计算模拟的不完全疲劳寿命数据,验证了EM算法对于随机截尾寿命数据模型参数估计的有效性。     

基于搜索空间划分和Sharing函数的粒子群优化算法

传统粒子群优化算法PSO（Particle Swarm Optimization）概念简单,适应性强,但存在早熟等问题.本文提出了新的基于搜索空间划分（Search Space Division）和Sharing函数的智能分布粒子群优化算法（SDSIR-PSO）.创新点包括：(1)保优的重布粒子算法；(2)引入Sharing函数阻止重分布的粒子陷入同一局部最优；(3)划分搜索空间，子空间中寻优，再优中选优，作全局最优.通过对典型测试函数的详细测试验证了新算法的有效性，在相同条件下较传统算法的解精度提高了8     

一种基于粒子群算法改进的ARCH模型及对国内油价波动的研究

传统的ARCH模型族在参数估计中使用的极大似然估计存在鲁棒性差和易收敛到局部最优解的缺点,为克服传统参数估计的上述缺点,提出了基于粒子群算法改进的智能算法,并利用粒子群算法对国内油价建立了AR(1)-ARCH、AR(1)-TARCH(1)模型.     

基于支持向量机的啤酒企业能源消耗预测模型

为提高啤酒企业包装车间生产耗电的预测精度, 提出了一种基于支持向量机和粒子群优化算法的预测模型构建方法。该方法将radial basis function函数作为支持向量机的核函数构建预测模型, 使用K-fold交叉验证方法, 利用粒子群算法(PSO: Particle Swarm Optimization)对惩罚参数c和g值寻优。以28天的生产耗水和生产耗电数据作为训练集, 以10天的生产耗水数据作为预测集, 分别构建基于radial basis function函数与polynomial函数的生产耗电支持向量机预测模型对生产耗电数据进行预测。实验结果表明, 以radial basis function函数作为核函数与以polynomial函数作为核函数相比, 该支持向量机预测模型对生产耗电的预测精度提高了51.495%,该方法具有一定的实用性。     

基于PSO-PTS算法的E形双频微带天线设计

为了能处理复杂的电磁优化问题,从粒子群优化算法（PSO：Particle Swarm Optimization ）的原理出发,通过对算法收敛性以及算法局限性的分析,改进了粒子群的性能,并结合参数跟踪策略（PTS：Parameters Tracking Strategies）及动态搜索域形成一种新的混合算法--PSO PTS混合算法。给出了PSO-PTS混合算法的基本理论、数学模型和步骤,并利用该方法对E形双频微带天线进行了模拟实验。仿真结果表明,该方法可有效地缩小PSO算法搜索区域,保证了解的单一性,提高了运算速度和解的精度。利用该方法设计的天线可有效地实现小型化的要求。     

新型动态粒子群算法及其在工业控制中的应用

粒子群优化算法是一种在复杂优化问题的空间域探求最优解的启发式搜索方法。为了优化传统的PSO算法,缩短其运行时间,提出了一种动态收缩型的粒子群优化。收缩型粒子群算法在初始阶段含大量的粒子,随着迭代次数的增加,粒子数量不断减少,仿真结果显示,此方法相比于传统的PSO算法可减少近60%的运算时间。运用此改进的粒子群算法优化理论,实现了对PID控制参数的自适应调节。结果表明,新型的PSO算法可以使得PID控制参数调整速度更快,产生超调量小。     

利用改进的并行粒子群算法对变分资料同化的研究

近年来,为了提高同化精度和减少同化时间,粒子群算法(PSO)被引入到数值天气预报资料同化中来.粒子群算法虽然令同化精度有所提高,但同化时间仍然存在较大缺陷.基于此,首先设计了一种改进的并行粒子群算法(P2PSO),然后应用于含不连续“开关”过程的变分资料同化中,与时变双重压缩因子粒子群算法(PSOTVCF)和动态权重粒子群算法(PSODIWAF)在同化速度、同化精度和收敛性上进行了比较.实验结果表明,设计的并行粒子群算法在不降低同化精度的同时,将同化时间缩短了一半,在收敛速度上明显优于动态权重粒子群算法和时变双重压缩因子粒子群算法.     

基于改进粒子群算法的云计算任务调度策略

云计算环境下的任务调度方法是实现其高效计算的关键步骤,文章针对目前其时间效率低下的问题提出了一种基于改进的粒子群算法的任务调度方法,利用迭代选择算子引入粒子群来完成任务调度的优化。改进的粒子群算法(Improved particle swarm optimization,IPSO),提高了算法的优化能力,尽量避免陷入局部最优,收敛的效果更好从而减少任务调度时间开销。选择CloudSim仿真平台进行模拟,实验结果表明,该改进算法具有寻优能力强、时间耗时少的优点,可用于云计算问题中复杂调度优化的研究与应用。     

基于蚁群和粒子群优化的混合算法求解TSP问题

提出了一种基于蚁群优化和粒子群优化的混合算法求解TSP(Traveling Salesm an Prob lem)问题。在应用蚁群算法对TSP问题的求解过程中,利用粒子群算法对蚁群系统的参数进行优化,其目的是提高蚁群系统的优化性能,使蚁群系统的参数不必靠人工经验或反复试验选取,而是通过粒子搜索自适应选取。     

微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.     

开放式关联运输调度问题的研究

针对带软时间窗的开放式关联运输调度问题（ Open Incident Vehicle Routing Problem with Soft Time Windows, OIVRPSTW）,联系实际应用中连锁店超市中货物供应的车辆路径问题,介绍了粒子群算法的基本原理,采用一种非线性动态自适应调节惯性权重因子的方法,使得惯性系数会随着粒子目标值的变化而自动改变,结合混沌搜索产生初始种群的方法,设计了一种混沌粒子群优化算法。同时也设计了引入了模拟退火机制的混沌遗传算法,自适应地调整交叉概率和变异概率。并用这两种算法来对OIVRPSTW求解,然后与基本的遗传算法求解此模型的结果相比较。实例证明用混沌搜索产生初始种群的方法在求解此类开放式关联运输调度问题是可行的,能取得令人满意的效果。     

A Projection Pursuit Dynamic Cluster Model Based on a Memetic Algorithm

A Projection Pursuit Dynamic Cluster(PPDC) model optimized by Memetic Algorithm(MA) was proposed to solve the practical problems of nonlinearity and high dimensions of sample data, which appear in the context of evaluation or prediction in complex systems. Projection pursuit theory was used to determine the optimal projection direction; then dynamic clusters and minimal total distance within clusters(min TDc) were used to build a PPDC model. 17 agronomic traits of 19 tomato varieties were evaluated by a PPDC model. The projection direction was optimized by Simulated Annealing(SA) algorithm, Particle Swarm Optimization(PSO), and MA. A PPDC model,based on an MA, avoids the problem of parameter calibration in Projection Pursuit Cluster(PPC) models. Its final results can be output directly, making the cluster results objective and definite. The calculation results show that a PPDC model based on an MA can solve the practical difficulties of nonlinearity and high dimensionality of sample data.     

基于PSO的神经网络在分光光度法同时测定As（Ⅲ）和As（Ⅴ）中的应用

针对干扰严重的两组分体系——As（Ⅲ）和As（Ⅴ）难以利用分光光度法实现同时测定的问题,采用粒子群优化算法训练多层前向神经网络权值,有效地克服了传统反向传播算法误差收敛速度慢、易陷入局部极小值的缺点。结果表明,基于PSO的神经网络方法显著增强了数据处理的准确性和稳定性。